Python----数据可视化（Seaborn二：绘图一）

常见方法

  • barplot方法 单独绘制条形图

  • catplot方法 可以条形图、散点图、盒图、小提亲图、等

  • countplot方法 统计数量

一、柱状图

seaborn.barplot(data=None,  x=None, y=None, hue=None, color=None, palette=None)
函数描述
data用于绘图的数据集。
x用于绘制长格式数据的输入。
y用于绘制长格式数据的输入。
hue用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
color用于变量的不同级别的颜色。应该 可以是可以解释的 ，或者是 字典将色调级别映射到 matplotlib 颜色。
palette用于绘制填充颜色的原始饱和度的比例。大 面片通常使用不饱和的颜色看起来更好，但如果您希望颜色与输入值完美匹配，请将其设置为。1

1.1、常规柱状图

import seaborn as sns
import pandas as pd
# 示例数据
tips=pd.read_csv('tips.csv')
# 单变量柱状图
sns.barplot(x="day", y="total_bill", data=tips)
# 显示图表
plt.show()

1.2、横向条形图

import seaborn as sns
import pandas as pd
# 示例数据
tips=pd.read_csv('tips.csv')
# 单变量柱状图
sns.barplot(x="total_bill", y="day", data=tips)
# 显示图表
plt.show()

1.3、分组条图

import seaborn as sns
import pandas as pd
# 示例数据
tips=pd.read_csv('tips.csv')
import seaborn as sns
# 分组柱状图
sns.barplot(x="day", y="total_bill", hue="sex", data=tips)
# 显示图表
plt.show()

1.4、设置颜色

import seaborn as sns
# 示例数据
tips=pd.read_csv('tips.csv')
# 设置颜色
sns.barplot(x="day", y="total_bill", data=tips,color='salmon')
sns.barplot(x="day", y="total_bill", hue="sex", data=tips,palette='dark:salmon')
# 显示图表
plt.show()

1.5、 统计数量

seaborn.countplot(data=None, *, x=None, y=None, hue=None, color=None, palette=None)
函数描述
data用于绘图的数据集。
x用于绘制长格式数据的输入。
y用于绘制长格式数据的输入。
hue用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
color用于变量的不同级别的颜色。应该 可以是可以解释的 ，或者是 字典将色调级别映射到 matplotlib 颜色。
palette用于绘制填充颜色的原始饱和度的比例。大 面片通常使用不饱和的颜色看起来更好，但如果您希望颜色与输入值完美匹配，请将其设置为。1
import seaborn as sns 
import matplotlib.pyplot as plt 
import pandas as pd tips = pd.read_csv('tips.csv')  # 通过按天数对数据进行分组并计数
# display(tips.groupby('day').count())  # 使用ountplot 方法绘制当天小费数量的条形图  
sns.countplot(x="day", data=tips)  # 显示绘制的图形  
plt.show()

二、直方图

方法

  • histplot方法 绘制单变量或双变量直方图来显示数据集的分布

  • displot方法 绘制直方图、核密度图。可以比较多个变量分布情况

seaborn.histplot(data=None,x=None, y=None, hue=None, bins='auto',multiple='layer', element='bars',  kde=False, palette=None,color=None)
函数描述
data用于绘图的数据集。
x用于绘制长格式数据的输入。
y用于绘制长格式数据的输入。
hue用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
color用于变量的不同级别的颜色。应该 可以是可以解释的 ，或者是 字典将色调级别映射到 matplotlib 颜色。
palette用于绘制填充颜色的原始饱和度的比例。大 面片通常使用不饱和的颜色看起来更好，但如果您希望颜色与输入值完美匹配，请将其设置为。1
bins通用 bin 参数，可以是引用规则的名称， 分箱数或分箱的分隔线。
multiple

语义映射创建子集时解析多个元素的方法。 仅与单变量数据相关。

{“layer”， “减淡”， “stack”， “fill”}

elment

直方图统计量的可视化表示形式。 仅与单变量数据相关。

{“bars”， “step”， “poly”}

seaborn.displot(data=None, *, x=None, y=None, hue=None, row=None, col=None, weights=None, kind='hist', rug=False, rug_kws=None, log_scale=None, legend=True, palette=None, hue_order=None, hue_norm=None, color=None, col_wrap=None, row_order=None, col_order=None, height=5, aspect=1, facet_kws=None, **kwargs)
row定义子集以在不同 facet 上绘制的变量。
col定义子集以在不同 facet 上绘制的变量。

2.1、常规直方图

sns.histplot(tips['total_bill'])

 

sns.displot(tips['total_bill'])

2.2、核密度估计

        核密度估计的作用是用来估计概率密度函数的，它可以用来描述随机变量的密度分布

sns.histplot(tips['total_bill'],kde=True)
sns.displot(tips['total_bill'], kde=True)

 

2.3、多变量直方图

multiple='layer' # 默认值，以层叠的形式展示
multiple='dodge' # 以并列的形式展示
multiple='stack' # 以堆叠的形式展示
multiple='fill' # 以百分比堆叠的形式展示
sns.histplot(x='total_bill', hue='sex', data=tips)

 

sns.histplot(x='total_bill', hue='sex', data=tips, multiple='stack')

 

sns.histplot(x='total_bill', hue='sex', data=tips, multiple='dodge')

 

sns.histplot(x='total_bill', hue='sex', data=tips, multiple='fill')

 

2.4、修改一些参数

sns.histplot(x='total_bill', data=tips, bins=20, color='skyblue', edgecolor='black', linewidth=1.2)
sns.displot(x='total_bill', data=tips, bins=20, color='skyblue', edgecolor='black', linewidth=1.2)

 

2.5、 累积直方图

sns.histplot(x='total_bill', data=tips, element='step')
sns.displot(x='total_bill', data=tips, element='step',col='time')

 

三、折线图

方法

  • lineplot方法 单独绘制折线图

  • relplot方法 绘制折线图、散点图

seaborn.lineplot(data=None, x=None, y=None, hue=None)
函数描述
data用于绘图的数据集。
x用于绘制长格式数据的输入。
y用于绘制长格式数据的输入。
hue用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
seaborn.relplot(data=None, *, x=None, y=None, hue=None, row=None, col=None kind='scatter')
函数描述
data用于绘图的数据集。
x用于绘制长格式数据的输入。
y用于绘制长格式数据的输入。
hue用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
row定义子集以在不同 facet 上绘制的变量。
col定义子集以在不同 facet 上绘制的变量。
kind要绘制的情节类型，对应于 seaborn 关系情节。 选项包括 或 。"scatter""line"
sns.lineplot(x=[1,2,3,4,5],y=[1,2,3,4,5])
sns.relplot(x=[1,2,3,4,5],y=[1,2,3,4,5],kind='line')

import seaborn as sns
# 示例数据
tips = pd.read_csv('tips.csv')  sns.lineplot(x="day", y="total_bill", data=tips)
sns.relplot(x="day", y="total_bill", data=tips, kind='line')# 多变量折线图
sns.lineplot(x="day", y="total_bill", data=tips,hue='time')
sns.relplot(x="day", y="total_bill", data=tips,hue='time',kind='line')# 使用relplot绘制折线图
sns.relplot(x="day", y="total_bill", data=tips,kind='line',# 图像类型hue='sex',# 分类变量col='time') # 分图变量

 

四、散点图

方法

  • scatterplot方法 主要用于绘制两个数值变量之间的散点图

  • relplot方法 可以绘制多种类型的关系图，包括散点图

seaborn.scatterplot(data=None, x=None, y=None, hue=None)
函数描述
data用于绘图的数据集。
x用于绘制长格式数据的输入。
y用于绘制长格式数据的输入。
hue用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
seaborn.relplot(data=None, *, x=None, y=None, hue=None, row=None, col=None kind='scatter')
函数描述
data用于绘图的数据集。
x用于绘制长格式数据的输入。
y用于绘制长格式数据的输入。
hue用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
row定义子集以在不同 facet 上绘制的变量。
col定义子集以在不同 facet 上绘制的变量。
kind要绘制的情节类型，对应于 seaborn 关系情节。 选项包括 或 。"scatter""line"
import seaborn as sns# 加载数据
tips=pd.read_csv('tips.csv')
# 常规散点图
sns.scatterplot(data=tips,x='total_bill', y='tip')
sns.relplot( data=tips, x='total_bill', y='tip',kind='scatter')
# 多组散点图
sns.scatterplot(data=tips,x='total_bill', y='tip', hue='smoker')
sns.relplot(data=tips,x='total_bill', y='tip', hue='smoker')
# 多变量散点图
sns.relplot(data=tips,x='total_bill', y='tip', hue='smoker',col='time')

 

五、分散散点图

方法

  • stripplot方法 利用抖动功能绘制分类散点图，以减少过度绘图

  • swarmplot方法 绘制分类散点图，并将点调整为不重叠

  • catplot方法 可以绘制以上2种图，并且可以分图

seaborn.stripplot(data=None, *, x=None, y=None, hue=None,dodge=False)
函数描述
data用于绘图的数据集。
x用于绘制长格式数据的输入。
y用于绘制长格式数据的输入。
hue用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
dodge当一个变量被赋值时，将其设置为 will 沿分类分隔不同色相级别的条带 轴并缩小分配给每个条带的空间量。否则 每个级别的点将绘制在同一条带中。
seaborn.swarmplot(data=None, *, x=None, y=None, hue=None,dodge=False)
函数描述
data用于绘图的数据集。
x用于绘制长格式数据的输入。
y用于绘制长格式数据的输入。
hue用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
dodge当一个变量被赋值时，将其设置为 will 沿分类分隔不同色相级别的条带 轴并缩小分配给每个条带的空间量。否则 每个级别的点将绘制在同一条带中。
seaborn.catplot(data=None, *, x=None, y=None, hue=None, row=None, col=None, kind='strip')
函数描述
data用于绘图的数据集。
x用于绘制长格式数据的输入。
y用于绘制长格式数据的输入。
hue用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
row定义子集以在不同 facet 上绘制的变量。
col定义子集以在不同 facet 上绘制的变量。
kind要绘制的绘图类型对应于分类的名称 轴级绘图功能。选项有： “strip”， “swarm”， “box”， “violin”， “boxen”、“point”、“bar” 或 “count”。
import seaborn as sns
import pandas as pdtips=pd.read_csv('tips.csv')sns.catplot(y="total_bill", x="day", data=tips,hue='sex',dodge=True,marker="D",col='smoker')


sns.swarmplot(y="total_bill", x="day", data=tips,hue='sex',marker="v")

 

sns.catplot(y="total_bill", x="day", data=tips,hue='sex',marker="v",col='smoker',kind='swarm')

六、盒图

方法

  • boxplot方法

  • catplot方法

seaborn.boxplot(data=None, *, x=None, y=None, hue=None,fill=True,width=0.8, gap=0,notch=False)
函数描述
data用于绘图的数据集。
x用于绘制长格式数据的输入。
y用于绘制长格式数据的输入。
hue用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
fill定义子集以在不同 facet 上绘制的变量。
gap箱体间隔
width箱体宽度
notch箱体是否缺口
seaborn.catplot(data=None, *, x=None, y=None, hue=None, row=None, col=None, kind='strip')
函数描述
data用于绘图的数据集。
x用于绘制长格式数据的输入。
y用于绘制长格式数据的输入。
hue用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
row定义子集以在不同 facet 上绘制的变量。
col定义子集以在不同 facet 上绘制的变量。
kind要绘制的绘图类型对应于分类的名称 轴级绘图功能。选项有： “strip”， “swarm”， “box”， “violin”， “boxen”、“point”、“bar” 或 “count”。
import seaborn as sns
import pandas as pdtips = pd.read_csv('tips.csv')sns.boxplot(x="day", y="total_bill", data=tips,hue="smoker",fill=False, # 填充箱体,默认为Truegap=0.1,  # 箱体间隔width=0.5, # 箱体宽度notch=True # 箱体是否缺口)

sns.catplot(x="day", y="total_bill", data=tips,kind="box",col="sex")

 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/31471.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

C/C++中使用CopyFile、CopyFileEx原理、用法、区别及分别在哪些场景使用

C/C++中使用CopyFile、CopyFileEx原理、用法、区别及分别在哪些场景使用

文章目录 1. CopyFile原理函数原型返回值用法示例适用场景 2. CopyFileEx原理函数原型返回值用法示例适用场景 3. 核心区别4. 选择建议5. 常见问题6.区别 在Windows系统编程中，CopyFile和CopyFileEx是用于文件复制的两个API函数。它们的核心区别在于功能扩展性和控制…
阅读更多...
SpringBoot 如何调用 WebService 接口

SpringBoot 如何调用 WebService 接口

前言 调用WebService接口的方式有很多&#xff0c;今天记录一下&#xff0c;使用 Spring Web Services 调用 SOAP WebService接口 一.导入依赖 <!-- Spring Boot Web依赖 --><dependency><groupId>org.springframework.boot</groupId><artifactId…
阅读更多...
tomcat单机多实例部署

tomcat单机多实例部署

一、部署方法 多实例可以运行多个不同的应用&#xff0c;也可以运行相同的应用&#xff0c;类似于虚拟主机&#xff0c;但是他可以做负载均衡。 方式一&#xff1a; 把tomcat的主目录挨个复制&#xff0c;然后把每台主机的端口给改掉就行了。 优点是最简单最直接&#xff0c;…
阅读更多...
计算机视觉算法实战——老虎个体识别（主页有源码）

计算机视觉算法实战——老虎个体识别（主页有源码）

✨个人主页欢迎您的访问 ✨期待您的三连 ✨ ✨个人主页欢迎您的访问 ✨期待您的三连 ✨ ✨个人主页欢迎您的访问 ✨期待您的三连✨ ​ ​​​ 1. 领域介绍 老虎个体识别是计算机视觉中的一个重要应用领域&#xff0c;旨在通过分析老虎的独特条纹图案&#xff0c;自动识别和区…
阅读更多...
【数据结构】初识集合框架及背后的数据结构（简单了解）

【数据结构】初识集合框架及背后的数据结构（简单了解）

目录 前言 如何学好数据结构 1. 什么是集合框架 2. 集合框架的重要性 3. 背后所涉及的数据结构以及算法 3.1 什么是数据结构 3.2 容器背后对应的数据结构 3.3 相关java知识 3.4 什么是算法 3.5 基本关系说明&#xff08;重要&#xff0c;简单了解&#xff09; 前言 …
阅读更多...
Hadoop命令行语句

Hadoop命令行语句

一、前言 1、启动虚拟机 2、连接工具 3、启动Hadoop并查询确保进程为51 start-all.shjps练习完请一定 stop-all.sh 关掉hadoop进程 关掉虚拟机 再关机电脑 二、Hadoop命令行主命令 1、进入Hadoop安装目录的bin路径 cd /training/hadoop-3.3.0/bin/2、查看低下的执行文…
阅读更多...
TypeScript系列07-类型声明文件

TypeScript系列07-类型声明文件

在现代前端开发中&#xff0c;TypeScript已成为提升代码质量和开发体验的利器。对于React和React Native项目&#xff0c;合理利用类型声明文件不仅能提供更好的智能提示和类型检查&#xff0c;还能显著减少运行时错误。本文将深入探讨类型声明文件的编写与使用。 1. 声明文件…
阅读更多...
迎接AI智能体新时代，推动新质生产力加快发展

迎接AI智能体新时代，推动新质生产力加快发展

随着人工智能技术的飞速发展&#xff0c;AI智能体正逐步成为推动新质生产力加快发展的重要力量。2025年&#xff0c;被业界普遍认为是AI智能体的爆发元年&#xff0c;这一技术范式的深刻变革&#xff0c;正重塑着人机关系&#xff0c;为各行各业带来前所未有的机遇与挑战。本文…
阅读更多...
python: DDD using postgeSQL and SQL Server

python: DDD using postgeSQL and SQL Server

postgreSQL 注意&#xff1a; # psycopg 2 驱动的连接字符串 #engine create_engine(postgresql://post:geovindulocalhost:5433/TechnologyGame) #Session sessionmaker(bindengine)# 使用 psycopg3 驱动的连接字符串 #engine create_engine(postgresqlpsycopg://user:g…
阅读更多...
【redis】string类型相关操作：SET、GET、MSET、MGET、SETNX、SETEX、PSETEX

【redis】string类型相关操作：SET、GET、MSET、MGET、SETNX、SETEX、PSETEX

文章目录 二进制存储编码转换SET 和 GETSETGET MSET 和 MGETSETNX、SETEX 和 PSETEX Redis 所有的 key 都是字符串&#xff0c;value 的类型是存在差异的 二进制存储 Redis 中的字符串&#xff0c;直接就是按照二进制数据的方式存储的 不仅仅可以存储文本数据&#xff0c;还可…
阅读更多...
嵌入式设备的功能安全和信息安全？

嵌入式设备的功能安全和信息安全？

在现代社会中&#xff0c;嵌入式设备已经无处不在&#xff0c;从我们日常生活中的智能家居&#xff0c;到工业控制、医疗设备等各个行业&#xff0c;嵌入式设备的应用层出不穷。 那么&#xff0c;嵌入式设备的功能安全和信息安全究竟有什么不同&#xff0c;又如何保证它们在实…
阅读更多...
爬虫案例七Python协程爬取视频

爬虫案例七Python协程爬取视频

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 前言一、Python协程爬取视频 前言 提示&#xff1a;这里可以添加本文要记录的大概内容&#xff1a; 爬虫案例七协程爬取视频 提示&#xff1a;以下是本篇文章正文…
阅读更多...
【C++指南】一文总结C++类和对象【中】

【C++指南】一文总结C++类和对象【中】

&#x1f31f; 各位看官好&#xff0c;我是egoist2023&#xff01; &#x1f30d; 种一棵树最好是十年前&#xff0c;其次是现在&#xff01; &#x1f680; 今天来学习C类和对象的语法知识。注意&#xff1a;在本章节中&#xff0c;小编会以Date类举例 &#x1f44d; 如果觉得…
阅读更多...
Python 入

Python 入

Python 入侵交换机 随着网络安全威胁不断增加&#xff0c;对于网络设备的安全防护变得愈发重要。而交换机作为网络中重要的设备之一&#xff0c;也需要加强安全保护。本文将介绍如何利用Python来入侵交换机&#xff0c;并对其进行漏洞扫描和安全检测。 1. Python 入侵交换机原…
阅读更多...
『PostgreSQL』PGSQL备份与还原实操指南

『PostgreSQL』PGSQL备份与还原实操指南

&#x1f4e3;读完这篇文章里你能收获到 了解逻辑备份与物理备份的区别及适用场景&#x1f50d;。掌握全库、指定库、指定表备份还原的命令及参数&#x1f4dd;。学会如何根据业务需求选择合适的备份策略&#x1f4ca;。熟悉常见备份还原问题的排查与解决方法&#x1f527;。 …
阅读更多...
《Python实战进阶》No20: 网络爬虫开发：Scrapy框架详解

《Python实战进阶》No20: 网络爬虫开发：Scrapy框架详解

No20: 网络爬虫开发&#xff1a;Scrapy框架详解 摘要 本文深入解析Scrapy核心架构&#xff0c;通过中间件链式处理、布隆过滤器增量爬取、Splash动态渲染、分布式指纹策略四大核心技术&#xff0c;结合政府数据爬取与动态API逆向工程实战案例&#xff0c;构建企业级爬虫系统。…
阅读更多...
Spring Boot整合WebSocket

Spring Boot整合WebSocket

目录 ?引言 1.WebSocket 基础知识 ?1.1 什么是 WebSocket&#xff1f; ?1.2 WebSocket 的应用场景 ?2.Spring Boot WebSocket 整合步骤 2.1 创建 Spring Boot 项目 2.2 添加 Maven 依赖 2.3 配置 WebSocket 2.4 创建 WebSocket 控制器 2.5 创建前端页面 引言 在…
阅读更多...
《OkHttp：工作原理 拦截器链深度解析》

《OkHttp：工作原理 拦截器链深度解析》

目录 一、OKHttp 的基本使用 1. 添加依赖 2. 发起 HTTP 请求 3. 拦截器&#xff08;Interceptor&#xff09; 4. 高级配置 二、OKHttp 核心原理 1. 责任链模式&#xff08;Interceptor Chain&#xff09; 2. 连接池&#xff08;ConnectionPool&#xff09; 3. 请求调度…
阅读更多...
【前端】BOM DOM

【前端】BOM DOM

两天更新完毕&#xff0c;建议关注收藏点赞 友情链接&#xff1a; HTML&CSS&LESS&Bootstrap&Emmet Axios & AJAX & Fetch BOM DOM 待整理 js2 Web API 是浏览器提供的一套操作浏览器功能和页面元素的 API ( BOM 和 DOM)。官方文档点击跳转 目录 BOMDOM…
阅读更多...
产品需求分析-概览

产品需求分析-概览

产品需求分析-概览 产品需求分析(上)-理论流程 需求产生(来源) 公司内部(老板、其他部门同事)产品经理自己(策划、挖掘)外部(用户、客户、伙伴) 需求分类 功能类数据类运营类体验类设计类 需求决策 战略定位产品定位用户需求 需求分位&#xff1a;四象限定位法 重要又…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023